[发明专利]基于激活函数可调的复值BP神经网络盲均衡方法

权利要求书

1.基于激活函数可调的复值BP神经网络盲均衡方法，其特征在于包括如下步骤：

第一步：消息序列{s(n)}，经正交调制、复值信道传输和噪声叠加后，到达接收端，均衡器收到信号序列x(n)；其中n为时间序列,下同；

第二步：初始化后的复值BP神经网络盲均衡器均衡输出均衡信号y(n)；

1）复值神经网络采用复数权值、复值激活函数和复数计算方法，其中神经元模型采用复数激活函数，实部和虚部独立运算，计算方法为

（1）

式（1）中k为复数因子，

         （2）

至少包含一个可变参数a；

2）以式（2）中具有两个可变参数a、b和三层BP神经网络为例，设输入层-隐层权值矩阵W，隐层-输出层权值向量V；

对于输入信号序列x(n)，网络输入层满足线性关系：

（3）

其中c为均衡器抽头系数个数；

隐层输入、输出为：

（4）

（5）

（6）

其中p为隐层神经元个数，可采用

（7）

进行计算；式（7）中β为一整数，β∈[2,10]，表示对实数x取整；

输出层输入、输出满足：

    （8）

（9）

                            （10）

第三步，基于输出信号统计特征计算均衡器残余误差或平均平方误差；

       （11）

其中，E表示取均值，

                          （12）

第四步，根据Hebb学习率进行误差反传，修正神经网络权值和激活函数可调节参数；

1）权值矩阵W和向权值向量V，以及激活函数参数a、b均为复数，诸参数对误差J(n)的偏微分采用如下公式计算：

      （13）

    （14）

2）根据Hebb学习率计算误差反向传递过程：

对于隐层激活函数可变参数和隐层-输出层权值向量V，有：

              （15）

              （16）

              （17）

        （18）

            （19）

          （20）

对于输入层-隐层权值矩阵W和隐层激活函数变参数a_j, b_j (j=1,2,…, p)，有：

（21）

（22）

（23）

（24）

（25）

（26）

3）诸参数修正：

  （27）

（28） 。